Parquet性能測試調(diào)優(yōu)及其優(yōu)化建議
創(chuàng)新互聯(lián)公司堅(jiān)持“要么做到,要么別承諾”的工作理念,服務(wù)領(lǐng)域包括:成都網(wǎng)站建設(shè)、成都網(wǎng)站制作、企業(yè)官網(wǎng)、英文網(wǎng)站、手機(jī)端網(wǎng)站、網(wǎng)站推廣等服務(wù),滿足客戶于互聯(lián)網(wǎng)時代的松山網(wǎng)站設(shè)計(jì)、移動媒體設(shè)計(jì)的需求,幫助企業(yè)找到有效的互聯(lián)網(wǎng)解決方案。努力成為您成熟可靠的網(wǎng)絡(luò)建設(shè)合作伙伴!
一、我們?yōu)槭裁催x擇parquet
1、選擇parquet的外部因素
(1) 我們已經(jīng)在使用spark集群,spark原本就支持parquet,并推薦其存儲格式(默認(rèn)存儲為parquet);
(2)hive支持parquet格式存儲,使用HiveSql查詢也是完全兼容的。
2、選擇parquet的本身原因
(1)parquet由于每一列的成員都是同構(gòu)的,可以針對不同的數(shù)據(jù)類型使用更高效的數(shù)據(jù)壓縮算法,進(jìn)一步減小I/O。CSV格式一般不進(jìn)行壓縮,通過parquet存儲數(shù)據(jù)有效的節(jié)約了空間,不考慮備份情況下,壓縮比將近27倍(parquet有四種壓縮方式lzo、gzip、snappy、uncompressed,其中默認(rèn)gzip的壓縮方式,其壓縮率最高,壓縮解壓的速率最快);
(2) 查詢的時候不需要掃描全部的數(shù)據(jù),而只需要讀取每次查詢涉及的列,這樣可以將I/O消耗降低N倍,另外可以保存每一列的統(tǒng)計(jì)信息(min、max、sum等);
(3) 分區(qū)過濾與列修剪中,parquet結(jié)合spark可以實(shí)現(xiàn)分區(qū)過濾(spark sql,rdd的filter和where關(guān)鍵字),列修剪即獲取所需要的列,列數(shù)越少查詢的速率也就也快;
由于每一列的成員的同構(gòu)性,可以使用更加適合CPU pipeline的編碼方式,減小CPU的緩存失效。
parquet的列式存儲格式的解析(僅了解)
Parquet文件在磁盤上的分布情況如上圖,所有的數(shù)據(jù)被水平切分成Row group,一個Row group包含這個Row group對應(yīng)的區(qū)間內(nèi)的所有列的column chunk。一個column chunk負(fù)責(zé)存儲某一列的數(shù)據(jù),這些數(shù)據(jù)是這一列的Repetition level,Definition level和Values。一個column chunk是由Page組成的,Page是壓縮和編碼的單元,對數(shù)據(jù)模型來說是透明的。一個Parquet文件最后是Footer,存儲了文件的元數(shù)據(jù)信息和統(tǒng)計(jì)信息。Row group是數(shù)據(jù)讀寫時候的緩存單元,所以推薦設(shè)置較大的Row group從而帶來較大的并行度,當(dāng)然也需要較大的內(nèi)存空間作為代價(jià)。一般情況下推薦配置一個Row group大小1G,一個HDFS塊大小1G,一個HDFS文件只含有一個塊。
Parquet性能測試
(1)測試普通文件和parquet文件讀取列的性能
①測試環(huán)境:58.56機(jī)器、spark1.6、sts、hive等
②測試目的:驗(yàn)證spark在讀取普通文件和parquet文件性能時,在讀取相同的列的速率上面,比普通的文件效率更高,隨著列的增加讀取的效率會降低。
③測試原理:
由于以下特性,使得列式存儲對于一些運(yùn)算速率相對行式存儲運(yùn)行速率更快:
(1)由于每一列的成員都是同構(gòu)的,可以針對不同的數(shù)據(jù)類型使用更高效的數(shù)據(jù)壓縮算法,進(jìn)一步減小I/O。
(2)由于每一列的成員的同構(gòu)性,可以使用更加適合CPU pipeline的編碼方式,減小CPU的緩存失效。
④測試步驟
(1)使用C_PORT表建立hive表,同樣建立一個C_PORT_PARQUET,使用stored as parquet將表存儲為parquet格式;
(2)編寫spark讀取語句,對列數(shù)進(jìn)行查詢讀取操作;
(3)增加讀取列數(shù),在機(jī)器上spark提交任務(wù)運(yùn)行記錄運(yùn)行時間;
(4)對比運(yùn)行時間,得出最終結(jié)論。
⑤測試結(jié)果
約27005w數(shù)據(jù) 普通hive表 request表 測試結(jié)果:
查詢列數(shù) | 普通hive表耗時 | Parquet表耗時 |
1列 | 2分53秒 | 2分42秒 |
5列 | 3分53秒 | 1分27秒 |
20列 | 5分58秒 | 3分56秒 |
35列 | 9分16秒 | 9分36秒 |
50列 | 13分19秒 | 8分11秒 |
⑥總結(jié)結(jié)論
通過以上五組數(shù)據(jù)列的讀取得知,隨著列數(shù)的增加,讀取的時間增加,相對于parquet和普通hive的讀取速率相近,由此在列數(shù)較多時,讀取非全部列數(shù)據(jù),建議使用parquet存儲可以增加讀取效率。
(2)測試parquet列式存儲在對多列數(shù)據(jù)進(jìn)行列式計(jì)算的效率
①測試環(huán)境:58.56機(jī)器、spark1.6、sts、hive等
②測試目的:驗(yàn)證spark在讀取普通文件和parquet文件性能時,針對某些列式運(yùn)算列式存儲的性能更佳,即讀取計(jì)算速率更快。
③測試原理:
由于以下特性,使得列式存儲對于一些運(yùn)算速率相對行式存儲運(yùn)行速率更快:
(1)查詢的時候不需要掃描全部的數(shù)據(jù),而只需要讀取每次查詢涉及的列,這樣可以將I/O消耗降低N倍,另外可以保存每一列的統(tǒng)計(jì)信息(min、max、sum等),實(shí)現(xiàn)部分的謂詞下推。
(2)由于每一列的成員都是同構(gòu)的,可以針對不同的數(shù)據(jù)類型使用更高效的數(shù)據(jù)壓縮算法,進(jìn)一步減小I/O。
(3)由于每一列的成員的同構(gòu)性,可以使用更加適合CPU pipeline的編碼方式,減小CPU的緩存失效。
④測試步驟
(1)使用C_PORT表建立hive表,同樣建立一個C_PORT_PARQUET,使用stored as parquet將表存儲為parquet格式;
(2)編寫spark讀取語句,包含列式計(jì)算的sum,avg以及max,min語句;
(3)在機(jī)器上spark提交任務(wù)運(yùn)行記錄運(yùn)行時間;
(4)對比運(yùn)行時間,得出最終結(jié)論。
⑤測試結(jié)果
第一組:
約27005w數(shù)據(jù) 普通hive表 request表 (按照每天小時分組,2個求和,3個求平均運(yùn)算)
測試結(jié)果:
時間 | 普通hive表 | Parquet表 |
耗時 | 2分14秒 | 1分37秒 |
耗時 | 2分24秒 | 1分08秒 |
耗時 | 2分27秒 | 1分36秒 |
平均耗時 | 2分33秒 | 1分27秒 |
第二組:
約27005w數(shù)據(jù) 普通hive表 request表 (按照每天小時分組,2個求和,3個求平均運(yùn)算,2求最大值,2個求最小值)
測試結(jié)果:
時間 | 普通hive表 | Parquet表 |
耗時 | 2分22秒 | 1分38秒 |
耗時 | 2分58秒 | 1分51秒 |
耗時 | 2分31秒 | 1分38秒 |
平均耗時 | 2分37秒 | 1分42秒 |
第三組:
約27005w數(shù)據(jù) 普通hive表 request表 (按照每天小時分組,4個求和,4個求平均運(yùn)算,4求最大值,4個求最小值)
測試結(jié)果:
時間 | 普通hive表 | Parquet表 |
耗時 | 3分03秒 | 1分58秒 |
耗時 | 2分45秒 | 2分03秒 |
耗時 | 2分48秒 | 2分06秒 |
平均耗時 | 2分52秒 | 2分02秒 |
⑥總結(jié)結(jié)論
通過三組數(shù)值的比對計(jì)算,列式存儲格式parquet針對列式計(jì)算效率比普通的行式存儲有明顯的優(yōu)勢,運(yùn)算的效率提升在30%-40%左右,效率更高,執(zhí)行效率更快。
測試普通文件和parquet文件的壓縮效率對比
①測試環(huán)境:58.56機(jī)器、spark1.6、sts、hive等
②測試目的:驗(yàn)證測試普通文件和parquet文件的壓縮效率對比,在壓縮存儲相同數(shù)據(jù)時,存儲為parquet文件壓縮效率更高,占用的空間更小。
③測試原理:
(1)由于每一列的成員都是同構(gòu)的,可以針對不同的數(shù)據(jù)類型使用更高效的數(shù)據(jù)壓縮算法,進(jìn)一步減小I/O。
(2)由于每一列的成員的同構(gòu)性,可以使用更加適合CPU pipeline的編碼方式,減小CPU的緩存失效。
④測試步驟
(1)同樣的SparkSql運(yùn)行,存儲方式不同。生成相同數(shù)據(jù)量的parquet文件和普通文件存儲;
(2)分別查看生成的Parquet文件和普通文件的大小,對比結(jié)果。
⑤測試結(jié)果
結(jié)果如下圖:
經(jīng)過最終執(zhí)行結(jié)果,存儲為普通文件的總大小為12.6G,存儲為parquet文件的大小為3.6G,存儲所占空間減少了近70%,因此存儲為parquet文件占用的空間更小。
四、Parquet在實(shí)際項(xiàng)目中的應(yīng)用建議
(1)當(dāng)讀取的列數(shù)并非全部列數(shù),建議使用parquet格式存儲(建表時使用stored by parquet);
(2)在進(jìn)行列式計(jì)算或者向量計(jì)算時,建議也使用parquet格式存儲,可以提高運(yùn)算效率;
(3)如果有文件需要備份存儲,可以使用parquet文件進(jìn)行壓縮,可以有效的節(jié)約空間,提高壓縮效率和速率。
本文名稱:Parquet性能測試調(diào)優(yōu)及其優(yōu)化建議
文章出自:http://muchs.cn/article16/jepgdg.html
成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián),為您提供靜態(tài)網(wǎng)站、微信小程序、定制網(wǎng)站、云服務(wù)器、用戶體驗(yàn)、企業(yè)網(wǎng)站制作
聲明:本網(wǎng)站發(fā)布的內(nèi)容(圖片、視頻和文字)以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主,如果涉及侵權(quán)請盡快告知,我們將會在第一時間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場,如需處理請聯(lián)系客服。電話:028-86922220;郵箱:631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載,或轉(zhuǎn)載時需注明來源: 創(chuàng)新互聯(lián)